Java数据抓取总结--1.准备工作

前言：自从2014年4月大一开始接触Java，7月开始接触网络爬虫至今已经两年的时间，共抓取非同类型网站150余个，其中包括一些超大型网站，比如百度文库，亚马逊，魔方格，学科网等。也在学长五年经验留下来的代码的基础上，整合成一个小型的爬虫框架，主要用于抓取期刊之类的数据型网站，包括元数据抓取和文件下载。在此感谢曾经给我指导方向，帮助我学习的学长们。

关于本系列博文：主要基于Java语言，使用Jsoup解析网页源码，HttpClient模拟请求，MySQL数据持久化存储等，包括模拟登陆，数据抓取，代理IP，验证码识别等。

学习前的准备工作：

1.关于Java基础

此文档主要以Jsoup解析+MySql数据库存储讲解数据抓取，需要具备一定的Java基础和数据库基础。由于在实际抓取中经常使用到Java中对String的操作，如indexOf,subString,split,replace等，请重点回顾相关用法及有可能抛出的异常。对于一些复杂的网站只靠Jsoup解析+String操作远远不够，有时候也需要使用正则表达式，也需要适当了解。

2.关于开发必备软件如下：

开发工具推荐使用Eclipse系列，注意修改工作空间编码为UTF-8。

下载地址：

http://www.eclipse.org/downloads/packages/eclipse-ide-java-ee-developers/mars1

浏览器使用火狐或者谷歌，请自行选择。

火狐浏览器下载地址：

http://download.firefox.com.cn/releases/stub/official/zh-CN/Firefox-latest.exe

谷歌浏览器下载地址：

http://w.x.baidu.com/alading/anquan_soft_down_ub/14744

（注：使用火狐浏览器需要安装FireBug插件，关于使用方式请查看文档链接：http://pan.baidu.com/s/1dExJj3b 密码：ddmi）

3.解析网页源码使用的是Jsoup，使用前请先查看一下文档学习。

教程网址：http://www.open-open.com/jsoup/（重点）

/article/11509810.html